CN111880854A - 用于处理语音的方法和装置 - Google Patents

Abstract

本申请公开了用于处理语音的方法和装置，涉及图像处理、语音技术领域。具体实施方式包括：响应于该终端设备具有预设权限，利用摄像头获取人脸图像，其中，该预设权限用于指示该摄像头进行实时采集，该摄像头设置于该终端设备或与该终端设备通信连接；响应于确定该人脸图像中的人脸正在说话，启动录音，并将录音结果作为用户语音。本申请在同时满足终端具有预设权限以及用户正在说话的条件下，才触发智能语音交互过程，从而可以在利用预设权限增加智能语音交互过程的可控性的情况下，自动触发智能语音交互，免去用户说出唤醒词的过程，让人机交互过程更加自然，更加贴近人与人之间的交流过程。

Description

用于处理语音的方法和装置

技术领域

本申请实施例涉及计算机技术领域，具体涉及图像处理、语音技术领域，尤其涉及用于处理语音的方法和装置。

背景技术

随着人工智能技术的发展，智能交互也逐渐得到普及，尤其是在手机等便携设备的使用中。电子设备可以针对各种语境与用户进行流畅的对话，比如，用户可以询问电子设备天气如何，电子设备可以反馈天气信息，与用户进行智能语音交互。

在相关技术中，用户触发电子设备的智能语音交互通常需要说出唤醒词，或者对电子设备上的指定按键进行操作。

发明内容

提供了一种用于处理语音的方法、装置、电子设备以及存储介质。

根据第一方面，提供了一种用于处理语音的方法，用于终端设备，方法包括：响应于终端设备具有预设权限，利用摄像头获取人脸图像，其中，预设权限用于指示摄像头进行实时采集，摄像头设置于终端设备或与终端设备通信连接；响应于确定人脸图像中的人脸正在说话，启动录音，并将录音结果作为用户语音。

根据第二方面，提供了一种用于处理语音的装置，用于终端设备，装置包括：获取单元，被配置成响应于终端设备具有预设权限，利用摄像头获取人脸图像，其中，预设权限用于指示摄像头进行实时采集，摄像头设置于终端设备或与终端设备通信连接；录音单元，被配置成响应于确定人脸图像中的人脸正在说话，启动录音，并将录音结果作为用户语音。

根据第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如用于处理语音的方法中任一实施例的方法。

根据第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如用于处理语音的方法中任一实施例的方法。

根据本申请的方案，在同时满足终端具有预设权限以及用户正在说话的条件下，才触发智能语音交互过程，从而可以在利用预设权限增加智能语音交互过程的可控性的情况下，自动触发智能语音交互，免去用户说出唤醒词的过程，让人机交互过程更加自然，更加贴近人与人之间的交流过程。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请一些实施例可以应用于其中的示例性系统架构图；

图2是根据本申请的用于处理语音的方法的一个实施例的流程图；

图3是根据本申请的用于处理语音的方法的一个应用场景的示意图；

图4是根据本申请的用于处理语音的方法的又一个实施例的流程图；

图5是根据本申请的用于处理语音的装置的一个实施例的结构示意图；

图6是用来实现本申请实施例的用于处理语音的方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于处理语音的方法或用于处理语音的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如检索类应用、直播应用、即时通信工具、邮箱客户端、社交平台软件等。

这里的终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。在实践中，终端设备101、102、103可以是移动终端设备，比如手机、平板电脑等等。此外，终端设备101、102、103也可以是非移动终端设备，比如，冰箱、电视机、空调等智能家电。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对接收到的人脸图像等数据进行分析等处理，并将处理结果(例如用户语音的回复信息)反馈给终端设备。

需要说明的是，本申请实施例所提供的用于处理语音的方法可以由终端设备101、102、103执行，相应地，用于处理语音的装置可以设置于终端设备101、102、103中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于处理语音的方法的一个实施例的流程200。该用于处理语音的方法，用于终端设备，上述方法可以包括以下步骤：

步骤201，响应于终端设备具有预设权限，利用摄像头获取人脸图像，其中，预设权限用于指示摄像头进行实时采集，摄像头设置于终端设备或与终端设备通信连接。

在本实施例中，用于处理语音的方法运行于其上的执行主体(例如图1所示的终端设备)可以在终端设备具有预设权限的情况下，开启了摄像头的实时采集，从而利用摄像头获取人脸图像。上述终端设备具有该预设权限则可以利用上述摄像头进行实时采集。在实践中，上述终端设备可以包括该摄像头，也即该摄像头设置于该终端设备，或者上述终端设备可以与该摄像头通信连接，从而可以获取摄像头采集的人脸图像。

在实践中，该获取人脸图像的过程可以是周期性(比如周期为0.5秒)的监控过程，也可以是以其它条件触发执行的过程。

在实践中，该预设权限可以是预先存储于本地的，也可以是预先存储于服务器(比如第一服务器)的。上述执行主体可以直接判断本地是否存在指示具有预设权限的信息，此外，也可以向上述服务器发送权限状态请求，以使该服务器反馈该终端设备的权限状态，并根据反馈的该权限状态进行判断。权限状态指示该终端设备是否具有利用摄像头进行实时采集的权限。若权限状态指示该终端设备具有该权限，则上述执行主体可以判断该终端设备具有预设权限。

步骤202，响应于确定人脸图像中的人脸正在说话，启动录音，并将录音结果作为用户语音。

在本实施例中，上述执行主体若确定人脸图像中的人脸正在说话，则可以触发终端设备的智能语音交互过程。具体地，上述执行主体可以启动录音，并将录音结果作为用户语音。上述执行主体可以在本地自行判断人脸图像中的人脸是否正在说话，也可以将人脸图像上传到服务器，让该服务器判断人脸图像中的人脸是否正在说话。该服务器是用于图像处理的服务器，可以作为第一服务器。

在实践中，上述执行主体或者上述服务器可以采用各种方式确定人脸图像中的人脸正在说话。具体地，上述执行主体或者上述服务器可以识别人脸图像中人脸的嘴唇动作，从而识别该人脸是否正在说话。在实践中，上述执行主体或者上述服务器可以采用预设识别模型也即预先训练的神经网络进行识别。

可选地，上述执行主体还可以获取用户语音的回复信息，并输出回复信息。在本实施例中，上述执行主体可以确定上述用户语音的回复信息，并输出该回复信息。具体地，该回复信息可以是各种信息，比如语音信息，相应地，输出回复信息则为播放语音信息。此外，回复信息还可以是文本信息和/或图像信息，相应地，输出回复信息则可以为显示文本信息和/或图像信息。

在实践中，该回复信息可以是服务器生成的，也可以是终端设备生成的。

本申请的上述实施例提供的方法在同时满足终端具有预设权限以及用户正在说话的条件下，才触发智能语音交互过程，从而可以在利用预设权限增加智能语音交互过程的可控性的情况下，自动触发智能语音交互，免去用户说出唤醒词的过程，让人机交互过程更加自然，更加贴近人与人之间的交流过程。

在本实施例的一些可选的实现方式中，上述步骤201中的响应于终端设备具有预设权限，可以包括：输出询问信息，其中，询问信息用于询问是否同意开启摄像头的实时采集；响应于接收到同意信息，确定终端设备具有预设权限。

在这些可选的实现方式中，上述执行主体可以通过显示或者播放询问信息来输出询问信息，以使用户可以获取到该询问信息。具体地，该询问信息可以用于询问用户是否同意开启摄像头的实时采集。比如该询问信息可以是“主人，您同意我自动对您拍照片么”。在询问信息是显示的信息的情况下，上述执行主体还可以显示出选项信息，比如选项信息可以是“同意”、“不同意”。

上述同意信息可以是用户说出的语音，也可以是用户手动输入的操作所生成的信息。比如，同意信息可以是用户说出的语音信息“好的”或者“同意”。或者，同意信息还可以是用户对显示的选项信息“同意”的操作所生成的信息。

这些实现方式可以让用户来控制是否开启摄像头的实时采集，从而避免终端在用户不知情的情况下对用户拍摄图像，造成用户隐私的泄露。

在本实施例的一些可选的实现方式中，终端设备为移动终端设备；步骤201可以包括：利用陀螺仪，实时检测移动终端设备是否被用户手持；若检测到移动终端设备被用户手持，响应于终端设备具有预设权限，利用摄像头获取人脸图像。

在这些可选的实现方式中，上述执行主体可以利用陀螺仪实时检测移动终端设备是否被用户手持，并在检测到是被用户手持的情况下，才执行触发智能语音交互的方案。具体地，上述执行主体可以采用各种方式利用陀螺仪检测移动终端设备是否被用户手持。比如，上述执行主体可以利用陀螺仪，检测移动终端设备的角度，并在该角度在预设角度范围内的情况下，确定用户手持移动终端设备。

这些实现方式可以实时利用陀螺仪进行检测，以该方式触发语音智能交互过程，避免以唤醒词或者不断采集人脸图像的方式进行触发。陀螺仪检测的电量消耗小，检测速度快，因而可以有效地节省电量，提高触发语音智能交互的速度。

在本实施例的一些可选的实现方式中，步骤202中的响应于确定人脸图像中的人脸正在说话，可以包括：将人脸图像上传到第一服务器，以使第一服务器判断人脸是否存在张嘴过程并响应于判断结果为是则生成确定信息，其中，确定信息用于指示人脸图像中的人脸正在说话，人脸图像的数量为三个以上；响应于接收到第一服务器反馈的确定信息，确定人脸图像中的人脸正在说话

在这些可选的实现方式中，上述执行主体可以将人脸图像上传到第一服务器。这样，第一服务器可以判断人脸是否存在张嘴过程，并得到判断结果，并且，第一服务器在判断结果为是的情况下，可以确定人脸正在说话。

具体地，张嘴过程对应至少三个人脸图像，这三个人脸图像包括最先的闭嘴图像，之后的张嘴图像(相对于最先的闭嘴图像存在张嘴动作)，以及最后的再次闭嘴的图像(相对于张嘴图像存在闭嘴动作)。

这些实现方式中，服务器可以通过张嘴过程，准确地判断用户是否正在说话。

在本实施例的一些可选的实现方式中，步骤202中的响应于确定人脸图像中的人脸正在说话，启动录音，可以包括：响应于确定人脸图像中的人脸正在说话，且人脸面对终端设备，启动录音。

在这些可选的实现方式中，上述执行主体可以在确定用户面对终端设备的情况下，启动录音。具体地，上述执行主体可以对人脸图像进行人脸姿态估计，确定该人脸图像表征的上述用户的脸部朝向信息，之后，上述执行主体可以确定终端设备所占据的位置信息，也即终端设备所占据三维空间的位置和大小。之后，上述执行主体基于该位置信息和脸部朝向信息，确定上述用户是否面对终端设备。具体地，若上述执行主体确定用于指示至少一个脸部朝向信息的射线均通过上述位置信息表征的三维空间，则可以确定用户面对终端设备。

这些实现方式可以在人脸面对终端设备的情况下，才启动录音，开始语音交互过程，避免用户无意与终端设备进行语音交互所导致的终端设备的无效操作。

继续参见图3，图3是根据本实施例的用于处理语音的方法的应用场景的一个示意图。在图3的应用场景中，执行主体301响应于终端设备具有预设权限302，利用摄像头获取张三的人脸图像303，其中，预设权限302用于指示摄像头进行实时采集，摄像头设置于终端设备或与终端设备通信连接。执行主体301响应于确定人脸图像303中的张三正在说话，启动录音，并将录音结果作为用户语音304。

进一步参考图4，其示出了用于处理语音的方法的又一个实施例的流程400。流程中的终端设备安装有检索应用，该流程400，包括以下步骤：

步骤401，在检索应用启动的情况下，响应于终端设备具有预设权限，利用摄像头获取人脸图像。

在本实施例中，用于处理语音的方法运行于其上的执行主体(例如图1所示的终端设备)在检索应用启动的情况下，触发获取人脸图像，以实现智能语音交互的过程。在实践中，该检索应用具有语音检索功能。

步骤402，响应于确定人脸图像中的人脸正在说话，启动录音，并将录音结果作为用户语音。

在本实施例中，上述执行主体可以若确定人脸图像中的人脸正在说话，则可以触发终端设备的智能语音交互过程，这样，上述执行主体可以启动录音，并将录音结果作为用户语音。

在实践中，上述执行主体可以采用各种方式确定人脸图像中的人脸正在说话。具体地，上述执行主体可以识别人脸图像中人脸的嘴唇的动作，从而识别该人脸是否正在说话。在实践中，上述执行主体可以采用预设识别模型也即预先训练的神经网络进行识别。

步骤403，通过检索应用，将用户语音作为包含检索词的语音上传到第二服务器，接收反馈的检索结果。

在本实施例中，上述执行主体可以在检索应用，将用户语音上传到第二服务器，并接收反馈的检索结果，所反馈的检索结果是以用户语音所包含的语句作为检索词的检索结果。这里的检索结果可以是文本，也可以是语音。具体地，这里的第二服务器是用于处理语音的服务器。

在实践中，接收用户语音的第二服务器和反馈检索结果的服务器可以是相同的服务器，或者也可以是不同的服务器，比如可以是语音识别服务器，或者可以分别是语音识别服务器和检索服务器。

步骤404，输出检索结果。

在本实施例中，上述执行主体可以向用户输出该检索结果。具体地，上述执行主体在检索结果为语音的情况下，上述执行主体可以以播放的形式输出检索结果。此外，上述执行主体也可以在检索结果为文本的情况下，在检索应用以显示的形式输出检索结果。

本实施例可以利用人脸检测的方式，触发语音检索功能，从而让语音检索过程更加高效、快捷。

进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于处理语音的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征或效果。该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于处理语音的装置500包括：获取单元501和录音单元502。其中，获取单元501，被配置成响应于终端设备具有预设权限，利用摄像头获取人脸图像，其中，预设权限用于指示摄像头进行实时采集，摄像头设置于终端设备或与终端设备通信连接；录音单元502，被配置成响应于确定人脸图像中的人脸正在说话，启动录音，并将录音结果作为用户语音。

在本实施例中，用于处理语音的装置500的获取单元501和录音单元502的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201和步骤202的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，终端设备为移动终端设备；获取单元，进一步被配置成按照如下方式执行响应于终端设备具有预设权限，利用摄像头获取人脸图像：利用陀螺仪，实时检测移动终端设备是否被用户手持；若检测到移动终端设备被用户手持，响应于终端设备具有预设权限，利用摄像头获取人脸图像。

在本实施例的一些可选的实现方式中，录音单元，进一步被配置成按照如下方式执行响应于确定人脸图像中的人脸正在说话：将人脸图像上传到第一服务器，以使第一服务器判断人脸是否存在张嘴过程并响应于判断结果为是则生成确定信息，其中，确定信息用于指示人脸图像中的人脸正在说话，人脸图像的数量为三个以上；响应于接收到第一服务器反馈的确定信息，确定人脸图像中的人脸正在说话。

在本实施例的一些可选的实现方式中，终端设备安装有检索应用；获取单元，进一步被配置成按照如下方式执行响应于终端设备具有预设权限，利用摄像头获取人脸图像：在检索应用启动的情况下，响应于终端设备具有预设权限，利用摄像头获取人脸图像；以及装置还包括：反馈单元，被配置成通过检索应用，将用户语音作为包含检索词的语音上传到第二服务器，接收反馈的检索结果；输出单元，被配置成输出检索结果。

在本实施例的一些可选的实现方式中，录音单元，进一步被配置成按照如下方式执行响应于确定人脸图像中的人脸正在说话，启动录音：响应于确定人脸图像中的人脸正在说话，且人脸面对终端设备，启动录音。

在本实施例的一些可选的实现方式中，获取单元，进一步被配置成按照如下方式执行响应于终端设备具有预设权限：询问单元，被配置成输出询问信息，其中，询问信息用于询问是否同意开启摄像头的实时采集；设置单元，被配置成响应于接收到同意信息，确定终端设备具有预设权限。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图6所示，是根据本申请实施例的用于处理语音的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。

存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的用于处理语音的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的用于处理语音的方法。

存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的用于处理语音的方法对应的程序指令/模块(例如，附图5所示的获取单元501和录音单元502)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的用于处理语音的方法。

存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据用于处理语音的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至用于处理语音的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

用于处理语音的方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。

输入装置603可接收输入的数字或字符信息，以及产生与用于处理语音的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元和录音单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，输出单元还可以被描述为“获取用户语音的回复信息，输出回复信息的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：响应于终端设备具有预设权限，利用摄像头获取人脸图像，其中，预设权限用于指示摄像头进行实时采集，摄像头设置于终端设备或与终端设备通信连接；响应于确定人脸图像中的人脸正在说话，启动录音，并将录音结果作为用户语音。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种用于处理语音的方法，用于终端设备，所述方法包括：

响应于所述终端设备具有预设权限，利用摄像头获取人脸图像，其中，所述预设权限用于指示所述摄像头进行实时采集，所述摄像头设置于所述终端设备或与所述终端设备通信连接；

响应于确定所述人脸图像中的人脸正在说话，启动录音，并将录音结果作为用户语音。

2.根据权利要求1所述的方法，其中，所述终端设备为移动终端设备；

所述响应于所述终端设备具有预设权限，利用摄像头获取人脸图像，包括：

利用陀螺仪，实时检测所述移动终端设备是否被用户手持；

若检测到所述移动终端设备被用户手持，响应于所述终端设备具有预设权限，利用所述摄像头获取人脸图像。

3.根据权利要求1所述的方法，其中，所述响应于确定所述人脸图像中的人脸正在说话，包括：

将所述人脸图像上传到第一服务器，以使所述第一服务器判断所述人脸是否存在张嘴过程并响应于判断结果为是则生成确定信息，其中，所述确定信息用于指示所述人脸图像中的人脸正在说话，所述人脸图像的数量为三个以上；

响应于接收到所述第一服务器反馈的所述确定信息，确定所述人脸图像中的人脸正在说话。

4.根据权利要求1-3之一所述的方法，其中，所述终端设备安装有检索应用；

所述响应于所述终端设备具有预设权限，利用摄像头获取人脸图像，包括：

在所述检索应用启动的情况下，响应于所述终端设备具有预设权限，利用所述摄像头获取人脸图像；以及

所述方法还包括：

通过所述检索应用，将所述用户语音作为包含检索词的语音上传到第二服务器，接收反馈的检索结果；

输出所述检索结果。

5.根据权利要求1-3之一所述的方法，其中，所述响应于确定所述人脸图像中的人脸正在说话，启动录音，包括：

响应于确定所述人脸图像中的人脸正在说话，且所述人脸面对所述终端设备，启动录音。

6.根据权利要求1-3所述的方法，其中，所述响应于所述终端设备具有预设权限，包括：

输出询问信息，其中，所述询问信息用于询问是否同意开启所述摄像头的实时采集；

响应于接收到同意信息，确定所述终端设备具有预设权限。

7.一种用于处理语音的装置，用于终端设备，所述装置包括：

获取单元，被配置成响应于所述终端设备具有预设权限，利用摄像头获取人脸图像，其中，所述预设权限用于指示所述摄像头进行实时采集，所述摄像头设置于所述终端设备或与所述终端设备通信连接；

录音单元，被配置成响应于确定所述人脸图像中的人脸正在说话，启动录音，并将录音结果作为用户语音。

8.根据权利要求7所述的装置，其中，所述终端设备为移动终端设备；

所述获取单元，进一步被配置成按照如下方式执行所述响应于所述终端设备具有预设权限，利用摄像头获取人脸图像：

利用陀螺仪，实时检测所述移动终端设备是否被用户手持；

若检测到所述移动终端设备被用户手持，响应于所述终端设备具有预设权限，利用所述摄像头获取人脸图像。

9.根据权利要求7所述的装置，其中，所述录音单元，进一步被配置成按照如下方式执行所述响应于确定所述人脸图像中的人脸正在说话：

将所述人脸图像上传到第一服务器，以使所述第一服务器判断所述人脸是否存在张嘴过程并响应于判断结果为是则生成确定信息，其中，所述确定信息用于指示所述人脸图像中的人脸正在说话，所述人脸图像的数量为三个以上；

响应于接收到所述第一服务器反馈的所述确定信息，确定所述人脸图像中的人脸正在说话。

10.根据权利要求7-9之一所述的装置，其中，所述终端设备安装有检索应用；

所述获取单元，进一步被配置成按照如下方式执行所述响应于所述终端设备具有预设权限，利用摄像头获取人脸图像：

在所述检索应用启动的情况下，响应于所述终端设备具有预设权限，利用所述摄像头获取人脸图像；以及

所述装置还包括：

反馈单元，被配置成通过所述检索应用，将所述用户语音作为包含检索词的语音上传到第二服务器，接收反馈的检索结果；

输出单元，被配置成输出所述检索结果。

11.根据权利要求7-9之一所述的装置，其中，所述录音单元，进一步被配置成按照如下方式执行所述响应于确定所述人脸图像中的人脸正在说话，启动录音：

响应于确定所述人脸图像中的人脸正在说话，且所述人脸面对所述终端设备，启动录音。

12.根据权利要求7-9所述的装置，其中，所述获取单元，进一步被配置成按照如下方式执行所述响应于所述终端设备具有预设权限：

询问单元，被配置成输出询问信息，其中，所述询问信息用于询问是否同意开启所述摄像头的实时采集；

设置单元，被配置成响应于接收到同意信息，确定所述终端设备具有预设权限。

13.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

14.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。

Images